遷移到標註引擎

用 potato label migrate-config 把 icl_labeling、judge_calibration、pre_annotation 和 Solo Mode 的配置遷移到標註引擎，並瞭解遷移之後有哪些變化。

Potato 較早的機器標註功能在 2.11 中照常可用，在你加入 labeling_engine 塊之前，行為不會有任何改變。有三個鍵現在會在啟動時列印一條說明，指出它們在標註引擎中的對應寫法，這三個鍵計劃在 3.0 中移除。這些說明輸出到 stderr，以 NOTE: 開頭，不屬於警告，所以 potato validate --strict 不會因此失敗。

下表列出這三個鍵以及各自對應的寫法：

舊鍵	引擎中的對應寫法
`icl_labeling`	一個 `llm` 來源，帶一份對應舊規則的 `threshold_legacy` 契約，旁邊再加一份 `selective_risk` 契約
`judge_calibration`	使用 `k_sample` 置信度的 `judge` 來源，原來的盲態樣本變為校準請求
`pre_annotation`	一個 `static` 來源

Solo Mode、評審對齊和互動式 AI 助手（ai_support）都沒有被棄用。Solo Mode 是一位專家通過它自己的介面與一個 LLM 協作，評審對齊則是一份報告。開啟引擎時，兩者都會把它們的模型預測寫入引擎的儲存，讓引擎可以校準並認證這些預測。

potato label migrate-config

potato label migrate-config 把舊鍵轉換成一個 labeling_engine 塊：

bash

potato label migrate-config config.yaml --out config-engine.yaml

這條命令只讀取 YAML，不載入任何資料，然後新增一個等價的 labeling_engine 塊，並把結果寫出，開頭附有一段說明，解釋每一項轉換。它寫出的塊帶有 enabled: false，所以在你開啟引擎之前，轉換後的配置與原配置行為相同。請閱讀這些說明，檢查來源和契約，然後設定 enabled: true 和 assignment_strategy: engine。如果配置中已經有 labeling_engine 塊，或者沒有任何可轉換的內容，命令會報錯退出。

轉換對照表

每個舊塊按如下方式對應到引擎的來源、契約和人工設定：

舊塊	來源	契約	人工
帶 `confidence_routing.tiers` 的 `solo_mode`	每一層一個來源，按層的順序排列	每個單選方案一份 `selective_risk`，`error: 1 - end_human_annotation_agreement`	`pools: [solo]`
帶 `labeling_models` 的 `solo_mode`	每個模型一個來源，第一個作為級聯	同上	`pools: [solo]`
`solo_mode.jury`	每位評審員一個來源，再加一個 `jury` 來源作為級聯	同上
`icl_labeling`	`ai_support` 端點作為一個 `llm` 來源	閾值為原來 `confidence_threshold` 的 `threshold_legacy`，以及 10% 的 `selective_risk`	`calibration_rate` = 原來核驗的 `sample_rate`
`judge_alignment`	評審端點作為一個 `judge` 來源（只有一個方案時帶上評分細則）	`no_worse_than_human`，`epsilon: 0.15`，每個被評審的方案一份	`overlap: 0.3`
`judge_calibration`	每個模型作為一個使用 `k_sample` 置信度的 `judge` 來源		`sampling.sample_size` → `budgets.human_labels`
帶 `field` 或 `predictions_file` 的 `pre_annotation`	一個 `static` 來源，位於級聯第一位
`active_learning.llm`	一個 `llm` 來源
`ai_budget.cap_usd`			`budgets.model_usd`

遷移後的行為變化

引擎對待人工標籤的方式與舊功能不同，轉換後配置裡的說明會指出不同之處。預計會有四點變化：

固定閾值變為經過檢驗的閾值。 Solo Mode 的路由閾值和 icl_labeling 的置信度閾值，會接受高於某個固定數值的機器標籤。selective_risk 在 dev 標籤上選定閾值，只接受在留出標籤上通過檢驗的部分，所以一開始被接受的標籤會變少，但被接受的那些帶有明確的錯誤率上界。
核驗樣本變為均勻抽樣。 icl_labeling 優先核驗置信度最低的預測，這樣能很快找到錯誤，但給出的準確率估計是有偏的。引擎的校準請求是隨機樣本，並記錄入樣機率。
內聯評審變為盲態。 judge_alignment.inline 在人們標註時顯示評審的判定，所以一致性是在受錨定影響的標籤上測得的。引擎的校準請求從不顯示機器答案。
預標註要先經過檢驗才會被信任。 static 來源的標籤只在有契約認證的地方被接受，在其他地方，人們會在核驗請求中看到它們。

延伸閱讀

實現細節見源文件。